단일 카메라로 숲을 누비는 자율 비행 제어

초록

**
본 논문은 저비용 단일 카메라만을 이용해 마이크로 항공기(MAV)가 자연 숲속을 자율적으로 비행하도록 하는 시스템을 제안한다. 인간 파일럿의 시연 데이터를 기반으로 최신 모방 학습(DAgger) 기법을 적용해 장애물 회피용 반응형 제어기를 학습시켰으며, 실내·실외 환경에서 최대 1.5 m/s의 속도로 안정적인 비행을 구현하였다.

**

상세 분석

**
이 연구는 “센서 제약이 심한 마이크로 UAV가 복잡한 자연 환경을 실시간으로 인식·회피하며 비행할 수 있는가?”라는 핵심 질문에 답한다. 기존 대형 UAV는 라이다·레이다 등 무거운 센서를 탑재해 정확한 3D 맵을 구축하지만, MAV는 무게와 전력 제한으로 단일 RGB 카메라만을 사용할 수밖에 없다. 저자는 이러한 제약을 극복하기 위해 모방 학습(imitation learning), 특히 DAgger(데이터 집합을 통한 반복 학습) 를 활용한다. 초기에는 인간 파일럿이 직접 조종한 데이터를 수집하고, 이를 통해 기본 정책 π₀를 학습한다. 이후 정책이 실제 비행 중에 내린 행동과 인간 전문가가 제시한 최적 행동 사이의 차이를 기록하고, 차이 데이터를 재학습에 포함시켜 정책을 점진적으로 개선한다. 이 과정은 “분포 이동(distribution shift)” 문제를 완화시켜, 훈련 단계와 실제 비행 단계 사이의 격차를 최소화한다.

시각적 특징 추출 부분에서도 주목할 점이 있다. 저자는 광학 흐름(optical flow), 텍스처 강도, 색상 히스토그램, 그리고 깊이 추정이 가능한 단일 이미지 기반 특징을 결합해 2D 이미지에서 장애물의 상대적 거리와 방향을 추정한다. 특히 광학 흐름은 UAV가 전진하면서 발생하는 시각적 패턴 변화를 포착해, 가까운 물체가 빠르게 확대되는 현상을 정량화한다. 이러한 특징들은 선형 회귀 기반의 정책 네트워크에 입력되어, 현재 이미지와 과거 이미지 간의 차이를 바탕으로 회전 각도(heading)와 전진 속도를 출력한다.

실험 설계는 두 단계로 나뉜다. 첫 번째는 실내에서 인공적인 장애물(기둥, 박스 등)을 배치한 환경에서 정책의 기본 성능을 검증한다. 여기서는 충돌 회피율, 경로 평활성, 그리고 목표 속도 유지 정도를 정량적으로 측정한다. 두 번째는 실제 숲속(낙엽, 나뭇가지, 조명 변화 등 복합적인 시각적 잡음이 존재)에서 야외 비행을 수행한다. 야외 실험 결과, 제안된 시스템은 평균 85 % 이상의 충돌 회피 성공률을 보였으며, 최대 1.5 m/s의 속도로도 안정적인 비행이 가능했다.

한계점으로는 깊이 정보의 부재로 인해 급격히 가까워지는 장애물을 조기에 감지하기 어려운 점, 그리고 조명 변화에 민감한 특징(특히 색상 히스토그램)의 안정성 문제가 있다. 또한 DAgger 기반 재학습 과정이 비행 중 실시간으로 수행되기엔 계산량이 크므로, 오프라인에서 충분히 데이터를 확보한 뒤 정책을 업데이트해야 하는 제약이 있다. 향후 연구에서는 경량화된 심층 신경망을 도입해 특징 추출과 정책 결정을 통합하고, **멀티모달 센서(초소형 초음파, 적외선 거리 센서)**와의 융합을 통해 안전성을 더욱 강화할 수 있을 것으로 기대된다.

**